使用聚类稳定性分析方法增强单类学习算法

• 作者: 刘家辰 宋建锋 曹莹 苗启广
• 来源期刊: 西安电子科技大学学报（自然科学版）
• 学科: 工学
• 关键词: 单类学习 离群点分析 聚类分析 聚类稳定性 支持向量数据描述
• 年，卷（期）: 2015,（2）
• 页码范围: 58-64,121
• 页数: 8页
• 分类号: TP181
• 字数: 6370字
• 语种: 中文
• DOI: 10.3969/j.issn.1001-2400.2015.02.010

摘要

针对传统单类学习模型对多模态或多密度分布数据描述能力不足的问题,将集成聚类和聚类稳定性分析引入单类学习.首先将确定聚类簇个数与确定聚类簇分布统一到同一个增强单类学习框架中,之后各聚类簇互为正负类分别建起立多个单类分类模型,最后采用最大融合体积方法融合其决策边界.以经典的支持向量数据描述(SVDD)为例,设计了基于集成聚类的稳定支持向量数据描述算法———ECS-SVDD.在标准 UCI数据集和一个真实恶意程序行为数据集上的实验结果表明,ECS-SVDD的性能较单个支持向量数据描述及同类单类学习方法更优.该方法可直接推广到其他最小包含体积集合类型的单类学习算法上,以增强单类学习算法处理多模态和多密度分布数据的能力.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	苗启广	西安电子科技大学计算机学院	60	939	16.0	29.0
2	刘家辰	西安电子科技大学计算机学院	5	53	4.0	5.0
3	宋建锋	西安电子科技大学计算机学院	12	69	5.0	8.0
4	曹莹	西安电子科技大学计算机学院	6	57	4.0	6.0